从预测到临床实践：结直肠外科术后风险深度学习模型的应用与展望

《Techniques in Coloproctology》：From prediction to clinical action in colorectal surgery: rethinking DLNN use for postoperative risk

本刊推荐Anania等关于深度学习神经网络预测结肠癌右半腹腔镜切除术后并发症的研究，该研究通过纳入CME/CVL手术方式和ERAS依从性等变量，实现了0.86的准确率和0.87的F1值，为结直肠外科术后风险精准预测提供了数据驱动的新范式。

　　

在结直肠外科领域，腹腔镜右半结肠切除术已成为治疗结肠癌的常规术式，但术后并发症仍是影响患者康复的重要因素。传统风险评估工具往往难以整合复杂的手术变量和患者特异性因素，导致预测精度有限。随着精准外科理念的深入，如何利用人工智能技术实现术后风险的个体化预测，成为临床研究的热点。

意大利研究团队Anania等人在《Techniques in Coloproctology》发表的研究，首次将深度学习神经网络（DLNN）模型应用于腹腔镜右半结肠切除术的并发症预测。该研究回顾性分析了包含完整结肠系膜切除（CME）和中央血管结扎（CVL）等手术变量的临床数据，通过多层神经网络结构整合术前、术中共计28个临床特征，构建出具有临床实用价值的预测模型。

研究采用回顾性队列设计，纳入单中心接受腹腔镜右半结肠切除术的结肠癌患者。通过电子病历系统提取患者 demographics（人口统计学资料）、合并症、肿瘤分期、手术细节（包括CME/CVL实施情况）、ERAS协议依从性等变量。DLNN模型采用五层全连接神经网络架构，通过Dropout技术和早停法防止过拟合，使用Adam优化器进行参数优化。模型性能通过10折交叉验证进行评估，采用准确率、精确率、召回率和F1分数等指标。

研究结果显示，该DLNN模型在测试集上达到0.86的准确率和0.87的F1分数，显著优于传统逻辑回归模型。通过排列特征重要性分析发现，术中失血量、输血需求、手术时间和ERAS协议依从性是影响预测结果的关键变量。特别值得注意的是，CME/CVL手术方式虽然被纳入模型，但其重要性排名相对靠后，这与近期RELARC临床试验结果相呼应，提示CME在特定患者群体中的获益可能有限。

模型验证方面，研究团队通过Bootstrap重采样计算了性能指标的置信区间，证明模型具有较好的稳定性。然而作者也指出，由于该研究基于单中心数据，模型泛化能力仍需通过多中心外部验证进一步确认。

在讨论部分，作者强调了三个重要方向：首先，手术理念的差异应作为重要变量纳入考量，不同医疗机构对CME/CVL的适应证把握存在差异，影响模型的跨中心适用性。其次，ERAS协议依从性不应仅作为静态输入变量，未来可开发动态模型识别最能从ERAS中获益的患者亚群。最后，随着术中监测技术的进步，整合实时血流动力学等数据构建动态风险预测模型将成为可能。

该研究的创新点在于将DLNN技术应用于复杂外科场景的决策支持，但临床转化仍面临挑战。土耳其学者Alpaslan Sahin在同期评论中指出，模型可解释性是影响临床接受度的关键因素。建议采用SHAP（Shapley Additive Explanations）等解释性技术，使外科医生能够理解每个预测结果的具体依据。此外，多中心合作验证将是推动该技术走向临床的必要步骤。

这项研究为结直肠外科的精准医疗提供了重要范式转换。通过将人工智能技术与临床专业知识深度融合，不仅能够实现更准确的并发症预测，更有望推动外科决策从经验依赖向数据驱动的转变。随着更多前瞻性研究的开展，这类模型有望成为外科医生不可或缺的智能助手，最终改善结肠癌患者的手术结局。